هوش مصنوعی چندوجهی تصویر و متن را در یک فضای مشترک میفهمد. در این قسمت ایده CLIP و طبقهبندی بدون نمونه، ترکیب CLIP و VQGAN برای تولید تصویر، مدلهای بینایی-زبانی امروزی و طراحی یک دستیار دومرحلهای را یاد میگیرید که اول توصیف تصویر را ثبت میکند و بعد بر اساس همان شواهد پاسخ میدهد.
ایجنت تحلیل تصویر با کمک مدلهای بینایی-زبانی تصویر را هم میبیند و تحلیل میکند. در این آموزش دو روش ورود تصویر به ایجنت smolagents را یاد میگیرید؛ ارسال تصویر در شروع کار و دریافت پویای تصویر هنگام مرور وب با Selenium و Helium.